MétaCan
Menu
Retour à la cohorte
Enregistrement W4386033160 · doi:10.1136/jnis-2023-esmint.5

O05/57  Validation of a novel multiphase CTA perfusion tool compared to CTP in patients with suspected acute ischemic stroke

2023· article· en· W4386033160 sur OpenAlexaff
Faysal Benali, Jianhai Zhang, Najratun Nayem Pinky, Fouzi Bala, Ibrahim Alhabli, Rotem Golan, Souto Neto, Ibukun Elebute, Chris Duszynski, Wu Qiu, Bijoy K. Menon

Notice bibliographique

RevueAbstracts · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensCircle Cardiovascular Imaging
Organismes subventionnairesnon disponible
Mots-clésMedicinePerfusionPerfusion scanningRadiologyAngiographyStroke (engine)Nuclear medicineOcclusionInternal medicine

Résumé

récupéré en direct d'OpenAlex

Introduction A recently developed multiphase-computed-tomography-angiography(mCTA) tool generates perfusion maps, similar to CT-perfusion(CTP) (i.e., mCTA-perfusion[mCTAp]). Aim of Study To validate the clinical utility of mCTAp. Methods In this multi-reader-multi-case analysis, we included baseline images: mCTAp(StrokeSENS-algorithm) and CTP(4D; GE-Healthcare) from 121 randomly selected patients whose scans were not part of algorithm-development. After excluding 2/121 scans due to poor image-quality, three experienced radiologists read Tmax-and rCBF-maps generated by the test(mCTAp) and reference(CTP) modality. The two reading sessions were separated by 5-days with randomized reading order. Core-laboratory imaging assessments-that used NCCT, mCTA and CTP-were considered as ground-truth. We used ‘reader’ as a random-effect to calculate the diagnostic performance for both modalities(mCTAp/CTP) regarding ischemia detection and side/location. Interpretation-time and inter-rater variability were compared across the modalities. Results AUCs(95%CI) for detecting ischemia using mCTAp and CTP were 0.85(95%CI0.8–0.9) and 0.84(0.8–0.9) respectively(p=0.43). AUCs for the affected side were 0.94(0.92–0.97) and 0.96(0.94–0.98) (p=0.69) respectively; for detecting LVO were 0.84(0.8–0.9) and 0.86(0.8–0.9), (p=0.31) respectively; M2-or-distal occlusion were 0.79(0.73–0.84) and 0.88(0.83–0.92) (p=0.22) respectively, for ACA-occlusion 0.82(0.66–0.98) and 0.93(0.82–1.00) (p=0.15) respectively and for PCA-occlusions 0.9(0.8–1) and 0.99(0.98–0.99) (p=0.01) respectively. The median(IQR) time for image interpretation was 62s(IQR 46–78) and 59s(IQR 42–69) for mCTAp and CTP respectively (p=0.15). Fleiss` Kappa-values for inter-rater reliability in detecting ischemia were 0.5 and 0.8 for mCTAp and CTP respectively. Conclusion mCTAp shows similar performance compared to CTP in assisting readers to detect ischemia and its side/location, requiring less radiation exposure, acquisition time and contrast-dose compared to additional-CTP, but mainly as it relates to proximal vessel occlusions. Disclosure of Interest Dr. Menon holds patents on systems of triage in acute stroke, for LVO detection and for mCTAp, and stock ownership in Circle Cardiovascular Inc. Dr. Bala has nothing to declare. Dr. Duszynski is an employee of, and holds stock options for Circle Cardiovascular Imaging Inc. Dr. Nayem Pinky, Dr. Golan and Luis A Souto Maior Neto are employees of Circle Cardiovascular Imaging Inc. All other co-authors have nothing to disclose.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,016
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,013
Tête enseignante GPT0,286
Écart entre enseignants0,273 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAbstractsMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207